# -*- coding: utf-8 -*-
#1、概念：结构分析, 是在分组（这个分组一般是定量分组，定量分组一般看结构）以及交叉的基础上，计算各组成部分所占的比重，进而分析总体的内部特征的一种分析方法。

#结构分析的结果一般以饼图呈现，如果成分较少（两个或三个），那么可以使用圆环图呈现

#下面看看在pandas中如何进行占比计算：
#当我们使用groupby计算出分组结果或者使用pivot_table对计算出交叉表的结果之后，如果我们还需要对计算的结果继续运算，可以使用数据框自带的函数进行运算。自带的函数
#有两种类型：
#外运算：主要用于两个数据框之间的运算。如add、sub、multiply、div
#内运算:主要用于数据框自身的运算。如sum、mean、var、sd

import numpy
import pandas

data = pandas.read_csv("D:/workspaces/python/pythonStudy/28.csv")

#28.csv包括列：用户ID,注册日期,身份证号码,性别,出生日期,年龄。下载地址：https://pan.baidu.com/s/1wHp1q1PgSw_HxyLW59k_Tw

bins = [min(data.年龄)-1,20,30,40,max(data.年龄)+1]

labels = ['20岁及以下','21岁到30岁','31岁到40岁','41岁以上']

data['年龄分层'] = pandas.cut(data.年龄,bins,labels=labels)

ptResult = data.pivot_table(
values = ['年龄'],
index = ['年龄分层'],
columns = ['性别'],
aggfunc = [numpy.size]
)

ptResult.sum() #可以看到默认返回按列计算的结果（因为默认axis=0,即跨行执行）

ptResult.sum(axis=0) #结算结果同上

ptResult.sum(axis=1) #返回按行计算的结果（axis=1，标识跨列执行）

#计算在各年龄层中，不同性别的各自占比
ptResult.div(ptResult.sum(axis=1),axis=0)  

#计算在各性别中，不同年龄层的各自占比
ptResult.div(ptResult.sum(axis=0),axis=1)

奈斯，感谢分享